Biology Beyond Nature | ภาคภูมิ ทรัพย์สุนทร
หลัง AlphaGo ชนะแชมป์โลกหมากล้อมในปี 2016 ตามด้วย AlphaFold ที่สร้างแรงกระเพื่อมในชีววิทยาโครงสร้าง และ ChatGPT ที่ทำให้ generative AI เข้าสู่สายตาคนทั่วไป
ในปลายปี 2022 ไอเดีย Robot Scientist ก็กลับมาร้อนแรงอีกครั้ง ความต่างสำคัญไม่ใช่เพียง “เอไอเก่งขึ้น” แต่เป็นการเปลี่ยนชนิดของเอไอด้วย
อดัม (A Discovery Machine หุ่นยนต์นักวิทยาศาสตร์ที่ตั้งสมมุติฐาน ลงมือทดลอง และเรียนรู้จากผลได้เอง) อาศัยความรู้ที่มนุษย์เขียนเป็นตรรกะอย่างชัดเจนและมีกรอบความรู้ค่อนข้างแคบ ขณะที่ระบบรุ่นใหม่ใช้การเรียนรู้ของเครื่อง (machine learning) และโครงข่ายประสาทเทียม (artificial neural network) เรียนรู้แบบแผนจากข้อมูลจำนวนมากได้ยืดหยุ่นกว่า
แต่ต้องแลกกับการอธิบายเหตุผลที่ยากขึ้น ความไม่แน่นอน และยังมีปัญหาสร้างข้อความที่ฟังน่าเชื่อแต่ผิดได้
ระบบสมัยใหม่จึงไม่ได้แทนที่ตรรกะเก่าตรงๆ แต่กำลังทดลองว่าจะผสมการเรียนรู้จากข้อมูลกับกฎที่บังคับไว้ล่วงหน้าและการตรวจสอบในโลกจริงอย่างไร
ตัวอย่างที่เห็นเส้นวิวัฒนาการได้ชัดมีอย่างน้อยสามงาน งานเหล่านี้ไม่ได้ลอกอดัม แต่แก้คอขวดคนละแบบ
บางระบบให้เอไอเลือกการทดลองจากพื้นที่ความเป็นไปได้มหาศาล
บางระบบลดความจำเป็นที่มนุษย์ต้องใส่ความรู้ล่วงหน้า
และบางระบบให้เอไอหลายตัววิ่งวงจรออกแบบ-สร้าง-ทดสอบ-เรียนรู้พร้อมกัน
Cr. Peach nom
ปี 2019 ทีมวิจัย University of Illinois รายงานระบบอัตโนมัติชื่อ BioAutomata เพื่อปรับเส้นทางการผลิต lycopene ใน E. coli พื้นที่การออกแบบมี 13,824 แบบ แม้ระบบจะทำการทดลองจริงไม่ถึง 1% ของทั้งหมด แต่ก็ยังให้ผลดีกว่าการสุ่มคัดกรองถึง 77%
นี่เป็นตัวอย่างว่าหุ่นยนต์ไม่จำเป็นต้อง “ลองทุกอย่าง” ถ้ามีอัลกอริทึมเลือกจุดทดลองที่ให้ข้อมูลมากพอ
ปี 2023 อีกทีมวิจัยหนึ่ง (เริ่มโครงการที่ University of Illinois ก่อนหัวหน้าทีมย้ายไป University of Michigan) เสนอระบบอัตโนมัติชื่อ BacterAI เพื่อเรียนรู้ความต้องการสารอาหารของแบคทีเรียโดยแทบไม่ป้อนความรู้เรื่องเมแทบอลิซึมล่วงหน้า
ระบบเปลี่ยนคำถามวิทยาศาสตร์ให้เป็นเกมเลือกสูตรอาหาร แล้วให้หุ่นยนต์ทดลองจริง
ในชุดหนึ่งมันเลือกการทดลองวันละ 336 ชุดต่อเนื่อง 9 วัน รวมราว 3,000 ชุด ก่อนสรุปผลออกมาเป็นกฎที่มนุษย์อ่านได้ จุดต่างจากอดัมชัดเจนคือ แทนที่จะเริ่มจากโมเดลชีววิทยาที่ละเอียด ระบบพยายามสร้างโมเดลขึ้นจากการเล่นกับโลกจริง
ปี 2024 ทีมจาก University of Wisconsin-Madison รายงานระบบ SAMPLE ที่ปล่อยให้เอไอทำงานอิสระสี่สาย แต่ละสายวิ่งวงจรออกแบบ-ทดสอบ-เรียนรู้โปรตีน 20 รอบ ทั้งสี่สายค้นพบเอนไซม์ที่ทนความร้อนได้สูงขึ้นอย่างน้อย 12 องศาเซลเซียส ทั้งที่สำรวจพื้นที่ลำดับโปรตีนที่กำหนดไว้ไม่ถึง 2%
นอกจากนี้ King เองก็ยังไม่ออกจากวงการ โครงการรุ่นใหม่ชื่อ Genesis พยายามขยายจากการเติมช่องว่างหน้าที่ยีนแบบอดัม ไปสู่การปรับแบบจำลองทั้งระบบของเซลล์ที่มีองค์ประกอบเชื่อมโยงกันเป็นเหตุเป็นผลนับพัน
เอกสารโครงการปี 2024 อธิบายระบบที่รวมถังเพาะเลี้ยงขนาดจิ๋ว (micro-bioreactor) ควบคุมด้วยคอมพิวเตอร์ 1,000 ชุด เครื่องมือวิเคราะห์ และฐานความรู้ที่คอมพิวเตอร์อ่านได้ โดยตั้งเป้าไปถึงวงจรตั้งสมมุติฐาน-ทดลอง-ปรับโมเดล 1,000 รอบต่อวัน
หากอดัมถามว่า “ยีนไหนทำหน้าที่นี้” Genesis กำลังถามคำถามยากกว่าคือ “เราจะทำให้แบบจำลองทั้งระบบของเซลล์ดีขึ้นเรื่อยๆ ด้วยเครื่องจักรได้หรือไม่”
Cr. Peach nom
ตัดภาพจากมหาวิทยาลัยมาที่ภาคอุตสาหกรรม Ginkgo Bioworks กำลังผลักดันแล็บอัตโนมัติชื่อ Nebula และระบบ RAC (Reconfigurable Automation Cart) ให้เป็นเสมือน Robot Scientist ที่มีความยืดหยุ่นสูง สามารถเปลี่ยนประเภทและลำดับขั้นตอนการวิจัยได้ง่ายตามที่ลูกค้าสั่ง
รายงานบริษัทกลางปี 2026 ระบุว่า Nebula มีหุ่นยนต์มากกว่า 100 ตัวที่สามารถเดินการทดลองได้ตลอดวัน
กรณีที่เห็นภาพที่สุดคือความร่วมมือกับ OpenAI ในงาน preprint เดือนกุมภาพันธ์ 2026 ทีมเชื่อม GPT-5 เข้ากับ cloud lab ของ Ginkgo เพื่อปรับสูตรการผลิตโปรตีนแบบไร้เซลล์ (cell-free protein synthesis) GPT-5 เสนอสูตรการทดลอง หุ่นยนต์ทำจริง ส่งผลกลับให้ GPT-5 แล้ววนใหม่รวม 6 รอบ ระบบทดสอบปฏิกิริยามากกว่า 36,000 สูตรบนเพลต 580 แผ่น และรายงานว่าลดต้นทุนการผลิตโปรตีนต่อกรัมได้ 40% พร้อมเพิ่มปริมาณโปรตีนที่ผลิตได้ 27%
จุดที่น่าสนใจไม่ใช่แค่ตัวเลข แต่คือสะพานระหว่าง Large Language Model (LLM) ที่พูดได้สารพัดกับโลกกายภาพ ก่อนสั่งหุ่นยนต์ทุกครั้ง ระบบมีซอฟต์แวร์ตรวจอีกชั้นว่าการทดลองที่ GPT-5 เสนอ “ทำได้จริง” บนเครื่องมือที่มีจุดนี้พากลับไปหาโจทย์เดิมของ King ตั้งแต่อดัม : ความฉลาดของซอฟต์แวร์จะมีค่าก็ต่อเมื่อมันเชื่อมกับการทดลองจริงได้
Cr. Peach nom
เมื่อแนวคิดที่เคยเป็นโครงการวิจัยประหลาดๆ เริ่มถูกมองเป็นโครงสร้างพื้นฐานทางวิทยาศาสตร์ เรื่องก็ขยับจากแล็บสู่การเมือง
เดือนพฤศจิกายน 2025 รัฐบาลสหรัฐเปิด Genesis Mission เพื่อใช้เอไอ ซูเปอร์คอมพิวเตอร์ ข้อมูลวิทยาศาสตร์ และห้องแล็บหุ่นยนต์เร่งงานค้นพบ
ต่อมาเดือนกรกฎาคม 2026 ทำเนียบขาวประกาศว่าเงินจากหน่วยงานรัฐบาลกลางที่ผูกไว้กับ Genesis Mission รวมกันเกิน 5,000 ล้านดอลลาร์ เงินก้อนนี้ไม่ได้ลง Robot Scientist ทั้งหมด แต่เป้าหมายการสร้างแล็บอัตโนมัติด้วยปัญญาประดิษฐ์ (Achieving AI-Driven Autonomous Laboratories) เป็นหนึ่งในโจทย์ระดับชาติที่ประกาศไว้โดยตรง
วันเดียวกัน National Science Foundation (NSF) ของสหรัฐ ประกาศลงทุน 380 ล้านดอลลาร์ให้ 20 ทีมสร้างเครือข่าย cloud lab ที่เอไอสั่งงานได้ทั่วสหรัฐ และ Astera Institute เตรียมสมทบอีกกว่า 20 ล้านดอลลาร์
ภาพนี้ต่างจากยุคอดัมอย่างมาก : สิ่งที่เมื่อยี่สิบปีก่อนต้องอธิบายว่าทำไมเครื่องจักรถึงพอเรียกว่า “นักวิทยาศาสตร์” กำลังถูกจัดงบในฐานะโครงสร้างพื้นฐานวิจัยระดับประเทศ
Cr. Peach nom
Ross King หนึ่งในผู้ริเริ่มแนวคิด Robot Scientist เมื่อหลายทศวรรษก่อน เชื่อว่า Robot Scientist ไม่เพียงช่วยทำวิทยาศาสตร์ได้เร็วขึ้น ถูกลง และทำซ้ำได้ดีขึ้น มันยังบังคับให้เราตอบคำถามที่ไม่ค่อยได้ถามตรงๆ ว่า “การทำวิทยาศาสตร์” ประกอบด้วยอะไรบ้าง ถ้าเครื่องตั้งสมมุติฐาน เลือกการทดลอง ลงมือทำ และแก้ความเชื่อของตัวเองจากหลักฐานได้แล้ว ส่วนไหนที่ยังจำเป็นต้องเป็นมนุษย์?
ในบทความมุมมองปี 2026 King เสนอว่า ก้าวกระโดดของเอไอช่วงไม่กี่ปีที่ผ่านมาจะทำให้ Robot Scientist ไปได้ไกลกว่าอดัมและอีฟมาก แต่เขาไม่ได้มองว่า LLM ตัวเดียวคือคำตอบ จุดแข็งของโมเดลภาษาคืออ่านและเชื่อมความรู้ที่มนุษย์เขียนไว้ได้กว้างมาก แต่ตรรกะ แบบจำลองทางวิทยาศาสตร์ การออกแบบการทดลอง และข้อจำกัดของเครื่องมือจริงยังจำเป็น เพื่อบังคับให้ข้อเสนอเหล่านั้นตรวจสอบได้
เขาสรุปปัญหาของยุคนี้ไว้สั้นๆ ว่า “The problem is integration.” คำถามจึงเปลี่ยนจาก “ส่วนต่างๆ ของวิทยาศาสตร์ทำอัตโนมัติได้ไหม” เป็น “จะต่อส่วนเหล่านั้นเข้าด้วยกันให้เป็นนักวิทยาศาสตร์ระบบเดียวที่น่าเชื่อถือได้อย่างไร”
มุมมองของ King น่าสนใจตรงที่เขาเชื่อว่าเราอาจไม่จำเป็นต้องรอ AGI ที่ “ฉลาดเหมือนมนุษย์ทุกอย่าง” ก่อนจึงจะสร้างหุ่นยนต์ที่ “ทำวิทยาศาสตร์ได้ทุกอย่าง” อดัมเองก็โง่มากในเรื่องอื่น แต่เก่งพอจะวนวงจรคำถามแคบๆ ของชีววิทยายีสต์ได้
นี่อาจทำให้โจทย์ AI Scientist คล้ายหมากรุกหรือโกะในแง่หนึ่ง เราอาจสร้างเครื่องที่เก่งเหนือมนุษย์ในโจทย์แคบๆ ที่กำหนดขอบเขตและตรวจคำตอบได้ ก่อนจะเข้าใจความฉลาดทั่วไปทั้งหมดเสียอีก แต่ “โจทย์แคบๆ” ที่ว่าอาจจะหมายถึงวิทยาศาสตร์ทั้งสาขาเลยก็เป็นได้
เป้าหมายปลายทางมีชื่อที่ตั้งใจยั่วให้คนเถียง : Nobel Turing Challenge ซึ่ง Hiroaki Kitano หนึ่งในตัวพ่อวงการชีววิทยาระบบ เสนออย่างเป็นทางการในปี 2021 โดยตั้งเป้าว่าภายในปี 2050 จะมี Robot Scientist ที่ทำงานวิจัยอย่างเป็นอิสระจนสร้างการค้นพบระดับรางวัลโนเบลได้ King มีส่วนช่วยผลักความท้าทายนี้ให้เกิดเป็นโครงการจริง
คำว่า “โนเบล” เป็นสัญลักษณ์ ไม่ได้หมายความว่าเครื่องต้องไปรับรางวัลเอง สิ่งที่ต้องการพิสูจน์คือ เอไอจะเลือกและแก้โจทย์วิทยาศาสตร์สำคัญได้เองหรือไม่ ไม่ใช่เพียงทำงานที่มนุษย์กำหนดกรอบไว้แคบๆ ให้เท่านั้น
แต่ข้อจำกัดของอดัมก็เตือนเราเช่นกันว่า “วิทยาศาสตร์” ไม่ได้มีแค่การแก้ปัญหาที่มีกรอบชัด เครื่องยังต้องพึ่งมนุษย์เลือกว่าคำถามไหนควรถาม สร้างเครื่องมือใหม่เมื่อการทดลองเดิมไม่พอ มองเห็นความผิดปกติที่อยู่นอกแบบจำลอง และตัดสินว่าการค้นพบหนึ่งสำคัญต่อโลกเพียงใด
ยี่สิบกว่าปีหลังหุ่นยนต์รุ่นแรกของ King คำถามจึงไม่ใช่แค่ว่า เครื่องจักรจะเป็นนักวิทยาศาสตร์ได้หรือไม่ แต่อาจเป็นว่า เมื่อมนุษย์กับเครื่องจักรแบ่งงานกันทำวิทยาศาสตร์มากขึ้น เราจะเหลือคำว่า “นักวิทยาศาสตร์” ไว้เรียกใคร
